Derin Öğrenme 4

Geçen yazımızda konuyu bitirmiştik ama yeni gelişmeler çıktı. Bu gelişmelerden en önemlisi Google'ın   kendi geliştirdiği sistemi açık kaynak olarak yayınlamasıydı. Pek çok büyük firma derin öğrenme üzerine hazırladıkları kütüphanelerini açık kaynak kodlu yayınladılar. Aslında henüz oturmamış bir alan ve bu alanda baskın bir kütüphane yok.  Bu yüzden bende en azından genel kullanılan diğer  kütüphaneleri  listeleyim  istedim.

1) TensorFlow : Google ın yayınladığı açık kaynak kodlu bir kütüphane. Derin öğrenme konusunda Tensor terimini çok duyacaksınız. Tensor çok boyutlu veri matrisleridir.

Bu kütüphane ile tensörlerin akışı ile yapay öğrenme metodları gerçekleştiriliyor.  Tıpkı caffe deki gibi çekirdek kütüphane c++  ile yazılmış olsada, ana kullanım Python üzerinden yapılabiliyor. Lisansı ticari kullanıma uygun. Bence bir başka eksi yön windows desteği yok malesef.

www.tensorflow.org

github.com/tensorflow/tensorflow

2) The VELES :  Bu kütüphanede Samsung firmasının  geliştirmiş olduğu derin öğrenme kütüphanesidir. Pythonda geliştirilmiş ve GPU için hem CUDA hem OpenCL desteği var.

velesnet.ml/

github.com/samsung/veles

Lisansı yine ticari kullanıma uygun.

3) Computational Network Toolkit (CNTK)  : Bu kütüphanede Microsoft'un C++ temelli geliştirdiği yine açık kaynak kodlu kütüphane. Benim gibi C++ kullanan kişiler için  bir avantaj elbette. Microsoft ne derece arkasında duracak bilemiyorum. Malesef halen beta statüsünde duruyor.

cntk.codeplex.com

4) Intel® Deep Learning Framework :  Intel firmasının geliştirmiş olduğu yine C++ temelli bir kütüphane C API kullanılarak çağrılıyor. hem CPU hemde GPU desteği var fakat GPU için OpenCl temelli kodlama yapılmış.

github.com/01org/idlf

5) Theano : Python da yazılmış çok genel bir kütüphane doğrudan derin öğrenme için kullanıldığı gibi  üzerine yazılmış keras veya lasagne gibi kütüphanelerle de kullanabiliyorsunuz. pyCuda ile GPU kullanarak çalışmasını hızlandırabiliyor.

github.com/Theano/Theano/

6) MXNet  : C++ temelli bir kütüphane. Hemen hepsinde olduğu gibi C++ ile değil.  Python,R, Julia gibi diller üzerinden kullanabiliyoruz. Windows için hazır paketleri var.

github.com/dmlc/mxnet/

 7) warp-ctc  : C temelli bir kütüphane. Baidu nun ürünü  Torch üzerinden kullanılacak şekilde düşünülmüş. Ses tanıma  üzerine çalışmışlar

https://github.com/baidu-research/warp-ctc

Bu liste böyle uzuyor gidiyor.  Bu tür kütüphaneler ,dökümanlar ve kitaplar gibi kaynakların listelendiği aşağıdaki linke bir göz atın.

github.com/ChristosChristofidis/awesome-deep-learning 

Derin Öğrenme 3

Bir önceki yazımızda kabaca çalışma sisteminden bahsetmiştik. Bu yazımızda pratik olarak neler yapabileceğimize bakalım.

Sitemizi takip ediyorsanız görmüşsünüzdür. eskiden beri pratik uygulamalara ağırlık vermişizdir. klasik YSA kütüphanesi olan FANN 'ın pek çok değişik alanda kullanarak gösterdik. Genel kullanım aslında aynı.

• Uygulanacak bir alan bul. 
• Verileri topla. 
• Sistemi eğit. 
• Eğitilmiş sistemi kullan.

Sıfırdan bir derin öğrenme sistemi yazmak çoğumuz için mümkün değildir. Gerekli de değildir.  Hali hazırda pek çok kişi  tarafından geliştirilmekte olan uygun kütüphanneler mevcuttur. Bunları kullanmak hem daha sağlıklı hemde daha kolaydır. Tekerleği icat edilecek yer var edilmeyecek yer var ... Bizim görüşümüz kendinize en yakın gördüğünüz ve gelişmesi devam eden bir kütüphaneyi seçmektir. Sonrasında çalışmalarımızı bu sistemi öğrenmek ve uygulamak üzerine harcaya biliriz. Biz bir kaç tanesinden bahsedelim.

Torch 

Torch aslında genel bir Yapay Öğrenme kütüphanesi ve Geçmişi epey eski hatta bir vakitler üzerine yazılmış görüntü işleme kısmıyla birlikte çıkmıştı Torch Vision diye biz de bahsetmiştik. Torch Vison pek gelişmesede ana kütütüphane olan Torch çok gelişti. Ana kütüphane C de yazılmış olsada, Lua destekli olarak epey revaçta bir kullanıma sahip. GPU desteği zaten derin öğrenme sistemlerinin olmazsa olmazı. Açık kaynak kodlu ve ticari kullanımada uygun bir lisans yapısı var.

Caffe 

Berkley Üniversitesi tarafından geliştirilmiş bir sistemdir Caffe .  Açık kaynak kodlu, ticari kullanıma uygun ve GPU destekli bir yapıdır. Temelde C++ olarak yazılmıştır. Hiç program yazmadan Komut satırından çalıştırılan programlarla ve google 'ın  -Protocol Buffers - Google's data interchange format - ile yazılmış model yapıları ile eğitip kullanabiliyorsunuz. 

mesela bakınız.

• caffe.berkeleyvision.org/gathered/examples/imagenet.html
• caffe.berkeleyvision.org/gathered/examples/mnist.html 
• caffe.berkeleyvision.org/tutorial/interfaces.html 
• Kullanımı hakkında sunum

NVDIA'nın DIGITS  ürünü ilede  GUI  üzerinden kullanabiliyorsunuz.

Pek çok araştırma gurubu tarafından kullanılan bir sistem olan Caffe bizimde tercihimizdir. 
Matlab ve python destekleride vardır. Caffe için en büyük  eksiklik şimdilik windows desteğinin pek iyi olmaması. Resmi bir windows versiyonu yok. Fakat bu konuda değişik çalışmlar var

• Caffe-Builder
• Caffe-vs2013
• Wincaffe-cmake
• Caffe-windows-cudnn

Sonuncusunda çalıştırılabilir bir versiyonunda var

Caffenin bizim açımızdan diğer bir  avatajı da OpenCv 3.0 ile birlikte Caffede eğitilmiş olan modelleri kullanma imkanına sahib olmamızdır.  Mesela bir önceki yazımızdaki video yu  Caffe de eğitilmiş "bvlc_googlenet.caffemodel" modeliye yazdık.  Caffe de  eğitilmiş modellerede ulaşabiliyorsunuz. 

• caffe.berkeleyvision.org/model_zoo.html

 OpenCv de Derin Öğrenme sistemlerine ulaşmak için OpenCv 3.0 'ı contrib eklemeleri ile birlikte kurmalısınız. -Kitabımızda anlatmıştık -  Bu kısımda dnn modülünde  bahsettiğimiz özellikler var.

Dökümantasyonu ;

docs.opencv.org/master/d6/d0f/group__dnn.html

Örnek Program ;

github.com/Itseez/opencv_contrib/blob/master/modules/dnn/samples/caffe_googlenet.cpp

Dökümantasyondaan görülebileceği gibi  hali hazırda çalışmasada eğitilmiş Torch modelleri içinde üzerinde çalışılıyor.

Bizim bahsettiğimiz dışında da başka kütüphaneler var elbette. Burdan detaylı bir listeye ulaşabilirsiniz. Listenin olduğu site deeplearning.net de genel konu ile ilgili açıklamalara ve bağlantılara ulaşabilirsiniz.

Bütün yazdıklarımızı toparlarsak. Pratik bir çalışma yapmak  istediğimizde

1) Hazırda geliştirilmiş sistemlerden biri tercih edip öğrenmemiz gerekiyor. Bizim önerimiz Caffe
2) Büyük işlemgücü gerektiğinden en azından CUDA destekli bir NVDIA grafik kartlı  bir bilgisayar edinin. Daha teferruatlı açıklama için bakınız ; deep-learning-hardware-guide
3) Bol miktarda veri istediğinden ;  sabır  ve zaman  - mümkünse ekip oluşturup işi paylaşmak -
4) Bütün her şey hazır olup eğitim denemelerine başlandığında eğitim işleminin uzun olması yüzünden zaman.

Listedende anlaşılacağı üzere orjinal bir çalışma için ; İnsan para ve zaman gerekiyor...

Evet bir yazı dizimizinde böylece sonuna geldik. Bir başlangıç yapabilmek adına gerekenlerden bahsettiğimizi umuyorum. Umarım birilerine bir faydası dokunur. Her türlü soru , öneri ve eleştirilerinizi bekeleriz...

Derin Öğrenme 2

İlk yazımızda temel bazı gerçeklerden bahsetmiştim. Bu kurallardan "Derin öğrenme" için yapabileceğimiz çıkarımlar şunlar. "Derin öğrenmeyi" öğrenip kullanabilmeliyizki  geri kalmayalım. Hayranı olup kalmayalım ki derin öğrenmenin eksikliklerini ve diğer gelişmeleri görebilelim. Uygulamanın gerekliliklerine göre en uygun olan metodun seçiminde nesnel - objektif - olabilelim.


"Derin öğrenme" muğlak bir terim çünkü  rivayetler muhtelif ; Benim anladığım kadarıyla

 çok sayıda katmandan oluşan hiyerarşik  dönüşümlerle verilerin anlamdırıldığı -öğrenildiği- metodlar topluluğu. 

diyebiliriz. Yapay öğrenmenin bir dalı diyede bahsedilir. Günümüzde  başarılı olmuş bu  metodların ortak noktası çok katmanlı olmalarıdır. Anlayabildiğim kadarıyla bir birinden farklı pek çok metodu içerdiğinden,   bu  genel isim  tercih ediliyor.  Bu metodlardan  bazılarının isimleri verelim ; - kusura bakmayın mecburen  ingilizce vereceğiz -

• Deep neural networks
• Deep belief networks
• Convolutional neural networks
• Deep Boltzmann Machines
• Recurrent Neural Network 

Bütün bunları detaylıca anlatmam pek mümkün - haddimde - değil. Gereklide değil zaten.  Olabildiğince pratik anlatmaya çalışalım. Klasik metodlarda Veriden bilgiye geçişte aşamalar aşağıdaki gibidir.

Ham veri genellikle bir öznitelik çıkarma 1 - feature extraction -  aşamasından geçer. Öznitelik çıkarma aşamasınında genel bir metodu yoktu. Vakti zamanında Anderw Ng nin bir konuşmasından bir parça yayınlamıştık. - İzlemediyseniz tavsiye ederim izleyin - Derin öğrenme algoritmalarında hiyerarşik dönüşümlerle  bu işlevide yerine getiriliyor. Biraz daha somutlaştıralım.

Derin öğrenme algoritmalarının içinde en bilineni belkide 'Convolutional neural networks' - CNN - dur.  Mesela derin öğrenme dendiğinde ilk akla gelen örneklerden olan görüntü sınıflandırma  problemlerinde CNN kullanıldığını görürüz. CNN aslında gelişmiş bir Yapay sinir Ağıdır. Normal ileri beslemeli sinir ağı öncesi  bir anlamda  öznitelik çoğaltma ve özetleme katmalarıda içererek , Öznitelik çıkarma işlevini içine almışdır.

Bu metodun  iç yapısında   Convolutional  katmanları ile  ile öznitelikler çıkarılır ve çoğaltılır.  Bu katman aslında görüntü işleme pek çok işlem için  de kullandığımız basit filtreleme işlemidir.

Pool katmanları ile çoğalan öznitelikler basit işlemle küçültülür.

üzerinde işlem yapılan kısımın,  max  pooling  ile en büyüğü , min pooling ile en küçüğü  ve  median pooling ile ortalaması  alınarak özetlenmiş olur.

Bu katmanlar değişik kombinasyonlarlar ve değişik parametrelerle sıralanarak , 

bir öznitelik çıkarma işlevi yapılmış oluyor.  Öznitelik çıkarma işlevi de bir anlamda öğreniliyor.

YSA ksımında ise girdi sayısının ve katman sayısının büyüklüğü sebebiyle klasik metodlarla eğitimi  pek kolay değildir. Bu yüzden gerek öğrenememe -under fitting - gerekse ezberleme - over fitting - problemleri 2 için modern çözümler ve kullanılmaktadır.

Mesela ; Dropout diye tabir edilen bir yöntem var.  Ağ içindeki bazı bağlantıların kaldırılmasıyla  eğitim performansı artırıyor.

Mesela ; aktivasyon klasik fonksiyonları yerine - ReLu - Rectified Linear Unit  kullanımı gibi.

Ezeberleme problemi için tek başına metodlar işe yaramaz.  Bahsedilen büyüklükteki bir ağ yapısı normal bir veri setini kolaylıkla ezberler. Bu yüzden devasa büyüklükte ve genişlikte veri setleri oluşturulur.

Derin denecek kadar çok katmanlı bir yapıda ve devasa büyüklükteki bir veri seti için yine devasa bir işlem gücü gerekiyor olması süpriz olmaz sanırım. İşlem gücü için genel çözüm GPU  kullanımıdır. Günümüzde NVDIA bu işte en öndedir. Çünkü CUDA 3 ile yıllardır bu iş üzerine emek vermişti. 


İnşallah kafanızda derin öğrenme ile ilgili kabacada olsa somut bir şeyler oluşturabilmişizdir.


DeepNN from bluekid on Vimeo.


Üstteki video da Derin öğrenme ile eğitilmiş bir sınıflandırıcının kullanıldığı basit bir örnek hazırladık diyerek  bu yazıyı sonlandıralım.

Devam edecek İnşallah....
Görüş ve önerilerinizi bekleriz....

 Notlar;
1) Bir parça bu yazımızda bahsetmiştik  bakabilirsiniz.
2) YSA lar ve eğitim konusunda  bu yazımızda birşeyler anlatmıştık
3) 2008 de bahsetmişiz.  bakınız 

Derin Öğrenme 1

Yapay Zeka ile ilgili konuları takip ediyorsanız, muhakak rastlamışsınızdır. Bu günlerin moda kavramı derin öğrenme - Deep Learning -  Gün geçmiyorki filan konuda, falan konuda  derin öğrenme uygulandı şöyle başarılıydı böyle başarılıydı haberleri duymayalım.  Dünayanın en büyük en parlak şirketleri ekipler kurup bu konu üzerinde  çalışıyorlar.  Dünyanın en iyi üniversitelerinde araştırma gurupları var.

Kısaca derin örğenme tarafına doğru güçlü bir rüzgar var. Bütün bunlar yapay zekanın bütün hedeflerine derin öğrenme ile ha ulaştık ha ulaşacağız hissiyatı veriliyor. Doğrudan konu hakkında konuşmadan önce giriş niteliğinde temel bazı konulardan bahsetmek istiyorum.

Bilim ve teknolojinin de bir tarihi var. Bilim ve Teknolojik gelişmelerde yıllara göre ilerlemeler görünür.

Bilim ve teknolojide gelişmeler her zaman aynı hızda gitmez. Aslında coğu zaman ortalama  bir hızda gelişmeler olur. Ama bazen bir buluş bir yenilik ile gelişme hızı eski hızına göre yıllar sürecek seviyeye bir kaç ayda ulaşılır.  Böyle parlak yenilikler pek çok  insanın gözlerini kamaştırır.  Olmadık beklentilere girilir.  Bir örnek verelim.  Günümüz yapay zeka çalışmalarına 1956  yılında 1 başlandı. Gelişmelerin gidişatından, 1960'lı yılllarda  "Bilgisayarlar  on yıl içinde insanlar kadar akıllı olacaklar " diyenler çıktı.  Ne mutluki !  yıllar  geçmesine rağmen ortada böyle bir gelişme olmadı.  :)

 Keza gelişmeler her zaman aynı yönde de olmadı. Mesela kütüphanemdeki en eski Yapay Zeka kitabının 2 tarihi 1991 ve içindeki konular Mantıklsal akıl yürütme, Doğal Dil İşleme, Uzman Sistemler, Robot bilim şeklinde sıralanıyordu. Güncel bir kitabın çok değişik konulardan bahsedeceği barizdir.  Yani bazı zamanlarda bazı alanlar çok öne çıkıyor, pek çok insan bu alanda çalışıyor. Sonra bir başka alanda bir gelişme oluyor, ve o alanda çalışmalar çoğalıyor.

Yukardaki grafikdeki gibi A ve D diye iki metod bulunmuş. A metodu gelişerek A1 ve A2 diye geçerliliğini korumuş. D metodu D1 ve D2 diye gelişmiş ama. İlk etapta gelişme olmamış hatta D1 hali hazırda terk edilmiş. D2 metodundan  uzun  zaman sonra  D21 , D22, D23 metodları geliştirilmiş halen güncelliğini koruyor. Grafik ve isimler farazide olsa Bilmin pek çok alanında ve elbetteki Yapay zeka araştırmalrında benzeri durumlar olmaktadır.

Bütün bunlardan anlamamız gereken şeyler nelerdir.

• Gelişmelerde devrim niteliğinde ilerlemelere vesile olan modelleri takip etmemiz, öğrenip uygulayabilmemiz lazım ki geri kalmış olmayalım.
• Bahsettiğimiz modele mucizevi bir hayranlıkla bağlanıp kalmamalıyızki. Bir başka metod çıkış yaptığında afallayıp kalmayalım. Çünkü yeni bir metdo bulabilmek, hali hazırdakinin eksikliklerini görebilmekle başlar....

Gelişme ve gelişmeye vesile olacak metod nasıl belirlenebilir.  Bunun en bariz yolu daha iyi olduğunu göstermekden geçer. Mesela bir motor için geliştirilecek metod eğer daha az yakıt ile daha çok güç üretiyorsa. Bir motor yaparsınız ve ispatlarsınız. Yapay Zeka çok daha geniş ve muğlak bir alan. Nihayi hedef olaran belirlenmiş bir "Turing Testi" olsada bunun pratik ölçümü pek mümkün değil. Bu durumda yapay zeka çalışmalarının çok önemli ve çok pratik bir kısmı olan  yapay öğrenme üzerinden metodların yarıştırılması mümkün olabiliyor.

Yapay Öğrenmede, motodların performanslarını ölçmek için veri setleri oluşturulmuştur. Yapay öğrenmede hali hazırda  pek çok metod vardır. Metodlardaki gelişme bu listelerde daha iyi - kesinlik anlamında - sonuçlarla ispatlanmaktadır. Derin öğrenme metodlarının uygulandığı sonuçlar günümüzde bu listelerin üst sıralarını oluşturmaktadır.

Yapay Öğrenmede pek çok metod var dedik. Peki metodlar arasında nasıl seçim yapabiliriz. Biraz da bu işin temellerine bakalım.

Mühedislikte tek önemli olan şey kesinlik değildir. Şöyle örnekleyelim ; Bir uygulama yazmaya çalıştığımızı düşünün.  Bölme işleminde virgülden sonra 1000 basamak hesaplayan bir metodun kesinliği virgülden sonra 3 basamak hesaplayana göre daha iyidir. Lakin pek çok iş için  3 basamaklık bir hassasiyet yeterlidir.

Bir başka konuda uygulamanın alanı ve ortaya çıkan verinin yapısıdır. Her meotod her çeşit veriye uygulanamayabilir.  Uygulamanın gerektirdiği kısıtlamalar olabilir. Mesela her metodun ortak bir noktası olan eğitim aşamasının hızı,  Uygulamanın anlık eğitime ihtiyaç duyması ile bazı metodların eğitim aşamasının çok uzun olması sebebiyle kullanışsız olabilir.

• Yabancı dildeki şöyle tabirler var.  "No Silver Bullet" ve "No free lunch" . İşin özü  "armut piş ağzıma düş" durumu  hiç bir yerde olmadığı gibi Yapay öğrenmede de yoktur.  "Falan  diye bir metod  çıkmış  her şey bunu kullanmak lazımdır " anlayışı yanlışdır.

Genel olarak şunu söylemek isterim. Bir uygulamada sayılsal 3 ve algoritmik  bir çözüm varsa hesaplama süresi çok uzun değilse onu kullanın.  Bu mümkün değilse Uygulamanızın şartlarına göre  olan bir araştırma yapın seçiminiz ona göre yapın.

Yazıda epey uzamış sizleri daha fazla sıkmak istemiyorum. Bu kadar temel girizgah  Derin öğrenme konusuna daha akılcı bakmanızı sağlayacağını umarak. Derin öğrenme konusundaki aşağıdaki videoya bakmanızı  önereceğim. Bu video Ankarada  Derin Öğrenme Etkinliği ndeki   Ferhat Kurt tarafından yapılan konuşmadır.

Daha yeni başladık :) devam edecek...

Not :
1)  Aslında çalışmalar daha önceden başlansada  Yapay Zeka  adı bu yılda toplanınan bir kongrede verildi.

2)  Kitap İletişim yayınlarından - cep üniversitesi serisinden- çıkmış ve 1991 yılında okumuşum hey gidi günler hey...

3) Numerical Analysis , Türkçede Sayısal Çözümleme diye geçiyor.

DLL Cehennemi

DLL ingilizce  "Dynamic Link Library" teriminin baş harlerinden oluşur. Windows işletim sisteminde. Dinamik kullanılan kütüphane dosyaları için oluşturulmuş bir dosya formatıdır. Bu tip kütüphaneler çalışma zamanında hafızaya yüklenip gereken kısımlar çağrılarak çalıştırılır.

Bilgisayar dünyasında pek çok dil var. Her biri için birden fazla değişik derleyicilere sahip. Her ne kadar belli kuralları da olsa bu çeşitlilik pek çok zaman probleme sebep olmaktadır.  Hatta tecrübeyle sabittir ki aynı dilde aynı derleyicinin değişik versiyonları arasında bile problemler görülebilmektedir.

Yazımızın başlığı DLL Cehennemi terminolojiye de girmiştir. DLL Hell . Bu yüzden  programlamada genellikle kullanacağım dinamik kütüphaneleri derlemeye çalışırım. Yada aynı derleryici versiyonunda derlenmiş olanları bulmaya gayret ederim. Çünkü ne zaman, nerde probleme sebep olacağı belli olmaz. Sonra bir bakmışsınız boşyere çabalayıp durmuşsunuz.

Neyse geçenlerde Volkan kardeş picproje formundaki bir "Çizgi izleyen sanal robot " yarışmasından bahsetti. Uğraşmak istediğinden bahsetti , benden de  bir bakmamı rica etti. Anladığım kadarıyla Çizgi izleyen robotun, gömülü yazılımcılar camiasında fiyakalı bir yeri var. Şimdi bahsedeceğimiz yarışmada basit bir simulatörle robot yapmadan bu işe girişe biliyorsunuz.

Yanlız küçük ! bir ayrıntı varmış. simulatörde algoritmanızı çalıştırmak için bir dll yazmanız gerekiyor. Bir başka küçük ayrıntıda simulatör Delphi ile yazılmış olması. Bizim de bunu kendi kullandığımız dilde yani C de yazmamız lazım.

Neyse biraz ricadan biraz da merak saikiyle DLL cehennemine daldık.

İlk aklıma gelen Delphi üzerinde çalışması gerektiğinden Borland C  ile olacağına kanaat getirdim. Önce internette BorladC nin ücretsiz versiyonunu aradım. IDE olarak tabii ki emektar CodeBlock ile.

Neyse BorlandC ile yaptığım ilk denemelerden oluşan DLL ler doğrudan çakılıp kaldı. Neden olduğuna dair hiç bir fikrimde yok. Hata mesajı olmayınca nereye bakacağınızıda bilemiyorsunuz. Alınan hatanın önemli bir ip ucu olduğunu  unutmayın.

İkinci denememizi mingw32 ile yaptık. Denememiz sonrasında  "Algo? Yordamina ulasilamiyor" hata mesajına muhatap olduk. İlginçdir bahsi geçen fonksiyon vardı orda.

Windows için çok faydalı bir  uygulama var. "Dependency Walker" bu programla exe dosyaların ihtiyaç duyduğu DLL leri listelerken. DLL içindeki yordamların adlarınıda görebiliyorsunuz.

ordan bakınca bizim "Algo1" yordamı "Algo1@24" olmuş olduğunu gördüm.

sebebini araştırdım. "Decorated Names" diye bir kavrama  ulaştık.  Değişik derleyiciler değişik şekilde  yordamların ismini değiştiriyor. Bu problemden kurtulmak içinde Tanımlama dosyası - def- oluşturup.

linker için de def   komutuyla def file bildirilir.

Bütün bu işlemleri bir çırpıda anlattığıma bakmayın epey bir araştırma gerekti.  Ve en nihayetinde Artık  simulatörden çağrılabilen DLL dosayasını oluşturabildik.


LineFollowerRobot from bluekid on Vimeo.

Basit de bir algoritma yazdık yukardada videosunu koyduk.

İlgilenirseniz koduda burdan indirebilirsiniz.

OpenCv Görüntü İşleme ve Yapay Öğrenme

Yazılım sektörünün ülke için büyük bir fırsat olduğu kanaatindeyim. Çünkü sektörün en büyük gerekliliği yetişmiş insan gücü. İstenen kalifiyede olmasada, yetiştirilebilecek insan potansiyeline fazlasıyla sahip bir ülkeyiz.
Hali hazırda yazılım sektöründe çalışmalar çoğunlukla web,  veritabanı ve daha yeni yeni mobil üzerinden yürüyor. Yazılımcılarımızın hemen hepsi bu konularda çalışıyorlar. Dolayısıyla bu konularda bilgi ve tecrübe kazanabiliyorlar. Oysa tıpkı sanayide olduğu gibi kazanç ile yapılan işin gelişmişlik seviyesi ile doğru orantılıdır.
Yazılım sektörünün gelişkinliği şüphesiz ki yapay zeka alanındaki ilerlemelerle ölçülüyor.  Akıllı cihazlar, tamamen otomatik yada daha az insan denetimi gerektiren makinalar içeriklerinde yapay zeka algoritmalarıda barındıran yazılımlardır.  Türkiye şartlarında çalışma alanınız değişmese bile daha zeki web sayfaları daha akıllı veritabanları, yada mobil uygulamaları sizlerin çalışmalarınızı daha kıymetli yapacağı aşikardır.
Yapay Zeka uygulamalarının en büyük alanlarından biride Bilgisayarlı Görü - Computer Vision - dür. Temelde Görüntü işleme metodları ilaveten Yapay Öğrenme  - Machine Learning - algoritmaları  içeren bir alandır. Bu alanda ülkemizde akademik olarak pek çok çalşmanın yapıldığı halde malesef ticari çalışmaya pek rastlanamamaktadır.
OpenCv Bilgisayarlı görü alanında dünyada yaygın olarak kullanılan bir kütüphanedir. Bu kitapla OpenCv yi sizlere tanıtmak. Bu vesileyle , Bilgisayarlı Görü alanında çalışmalar yapma ufkunuzu  bir nebze olsun açmayı umuyoruz.

Uzun bir  zaman sonra nihayet kitap çalışmamızı tamamladık.  Kitabımız Level Kitapdan çıkıyor. Bana verilen bilgiye göre önümüzdeki ayın başında dağıtıma başlanacak. 

Not : Web sitesi

Yapay Sinir Ağları ile Deprem Tahmini

Depremler yaşadığımız dünyanın bir gerçeği. Yeryüzü sıvı bir mağma tabakasının üzerinde İnce bir tabaka. Dünyamız bu oynak yapısına ilaveten sabitte durmuyor. Dünya kendi etrafında açısal olarak saatte 15 derece,  çizgisel olarak - ekvatorda - saatte 1670 km hızla dönmektedir. Kendi etrafındaki hızının dışında Dünyamız güneşin etrafında da  ortalama saatte 107 000 km hızla hareket eder. Hızı güneşe yaklaştıkça artar uzaklaştıkça düşer. Böyle dinamik  bir yapı içinde bir yeryüzünde yaşıyoruz.  Yeryüzündeki tabaklarda kırılmalar çökmeler kaymalar yani depremler sürekli olmaktadır.  Bunların büyüklüğüne görede can ve mal kayıpları yaşanmaktadır.


Depremler dünyaının yapısı gereği dedik. İnsanoğlu bu konuda yıllardır araştırmalar yapıyor yeryüzü tabakalarını inceleyip. Deprem riski olan kısımları bilebiliyor.  Keza deperem riskini oluşturan oynak tabakalarıda  yani fay hatların belirliyor. Ülkemiz bu açıdan şanslı değil.

Keza yukarda belirttiğimiz koşullar içerisinde deterministik bir model kurup, depremlerin önceden tahminide pek mümkün görünmüyor. ( malum Kelebek etkisi )

Gelişmiş ülkelerde  " Deprem öldürmez bina öldürür"  tabirine paralel . Bulundukları risk bölgesine uygun sağlamlıkta binalar yapılarak. Deprem anında oluşacak bina hasarı dolayısıyla mal ve can kaybını en aza indirgemeyi başarmış bulunuyorlar.

Ülkemizdeki durum ise pek iç açıcı değil.
Gölcük depremi sonrası ilk heyecanla bir sonraki depreme olan hazırlık anlayışı kaybolup gitti. 
Ülkemizin en büyük en kalabalık şehri olan İstanbul ve civarında büyük bir deperem bekleniyor.
Haritalar çıkarılıyor. Neler olabileceği biliniyor.

Ama yapılaşma olabiliğince hoyratsızlığı ve akılsızlığı ile devam ediyor. Neyse konuyu vicdan sahibi idarecilerimize havale edip konumuza dönelim.

Deterministik bir tahmin pek mümkün görünmüyor demiştim. Aynı zamanda "kainatta tesadüfe tesadüf edilmez" kanaatindeyim. Yani bir şekilde deprem öncesi ortaya çıkan fiziksel olaylar etkiler üzerinden  deprem tahminin de mümkün olacağını düşünüyorum. 1


Nitekim Ülkemizde de gölcük depremi sonraı ilk heyecanla çalışmalar yapıldı. Mesela

Kayaç Gerginlik İzleme Yöntemi  ile Deprem Tahmini Projesi 

Proje ne durumda bilemiyorum ama, bu çalışmada ilk günkü heyacanıyla gitmiyor görünüyor.
ana sayfasındaki  kayaç gerginlik izleme istasyonlarından toplamda 16 tanesinden sadece

6 tanesi aktif olarak görünüyor.
Keza Deprem tahmin ligide açılmış. Hali hazırda aktif olarak görünmüyor.

Böyle bilimsel bir çalışma dışında, tahmin çalışmalarında bulunan  şahıs bazlı projeler de  var. Basit bir aratmayla onlara ulaşabilirsiniz.  Bu çalışmaları küçümsemek istemiyorum. Meşhur bir ata sözümüz vardır. "Bin bilsende Bir bilene danış " Evet bu şahısların bilimsel alt yapıları olmaya bilir. Bin şeyi bilmeye bilirler. Ama bildikleri bir şey gerçek de olabilir.  Böyle kişilerin mümkünse bilimsel altyapısı olan kişilerle birlikte işleri yürütüp. Çözümlerinin gerçekden çözüm olup olmadığını öylese  daha rasyonel ve kullanışlı hale nasıl getirileceğini çözmeleri lazım. Öteki türlü yaptıklarının bir anlamı kalmıyor.

Benim şahsen tanıştığım bir çalışmayla devam edeyim

İlk olarak - 2013 de - FannTool  vesilesiyle  tanıştığım birinden bahsetmek istiyorum.  Bu arkadaşımız Japonyada yaşayan bir İtalyan. Yapay Sinir Ağları ile Deprem tahmini üzerine çalıştığını söyledi.  Tahmin sistemi Gezegen sistemindeki yerçekimi etkileri ile  deprem tahmini. Fikir olarak çokda yeni değil. Yine bir itayan olan Raffaele Bendandi bu yönde çalışmaları olmuş. Keza bu yönde şöyle bir çalışma da yapılmış

The definitive analysis of the Bendandi's methodologyperformed with a specific software

 Yerçekimi etkisinin deprem tetikleme mümkünatı için de bir iki laf edeyim

1) Ayın çekim gücü ile oluşan Gel - Git etkisini hepimiz biliriz. Sular üzerinde gözle görünür olan  bu etki aslında her tarafta mevcuttur.

2) Bir yerdeki belli büyüklüğü geçen  deprem sayısı ile deprem büyüküğü arasında empirik bir formül vardır. Gutenberg–Richter_law diye adlandırlan bu formüle göre,  Büyük deprem beklentisi,  bir önceki büyük deprem üzerinden geçen süre ile ilişkili. Keza buna göre İstabulda büyük deprem beklentisi var. İşin içinde  kendine benzerlik ve fraktallarda var bakınız 

3) Yerçekimi etkisinin ayın ve diğer gezengenlerin  konumlarına göre değişmesi ve Deprem beklentisinin yüksek olduğu fay hatlarında  tetikleme ihtimali olabilir....

 Konuyu dağıtmayayım
Marconun çalışmaları hesaplama bazlı değilde Yapay Sinir Ağı temelli olarak yürüyor. Başlangıçda FannTool ile başladığı çalışmalara şidide kendi yazdığı kendi problemini baz alan kod üzerinde yürütüyor.

Çeşitli vesilelerle yazışmalarımız sürdü, ve sürüyor. Yukarda bahsettiğim gibi, Şahıs bazlı bir çalışma yürüttüğü için aynı şeyleri ona da anlattım. Çalışmanın bilimsel olabilmesi için ilk etapta test edilmesi gereğinden bahsettim. Sonuçda YSA ve benzeri Yapay Zeka metodları ile hemen her şey arasında ilişki kurulabilir. test etmeksizin kurulan ilişkinin bir anlamı olmayacağından bahsettim. 2  Sağolsun tavsiyemize uydu ve sistemini ve çalışmalarını yayınlamaya başladı.

Bu çalışmalara

 Marco Franzini works

burdan ulaşabilirsiniz.

Bu yaynınlar sonuncunda  kendisi ile iletişime geçenler olmuş.  Bir NPO -Non Profit Organization -  Kar amacı gütmeyen kuruluş oluşturmayı planlıyor.
Türkiye gibi deprem bölgesi ülkemizden de , konudan anlayan, ilgili ve dahi bilgililerden, bu yazdıklarımızı okuyacak birileri olur mu ?
Nihayetinde ilgilenilecek bir konu olduğuna karar verip, iletişime geçmek isteyen çıkar mı ?  bilemiyorum.
Ben burdan bu vesileyle duyurup üzerimden sorumluğuluğu atmak isterim...
"Bilmeyenler bilenlere anlatsın" ....

Not :

1. Mesela ; Deprem öncesi çeşitli hayvanlarda görünün huzursuluk ve davranış değişiklikleri. Bilgisayarlı görü uygulamaları ile gözlemlenip, Uyarı sistemi kurulabilir.  Niçin olmasın...
2. Her şey ezberlenebilir ama öğrenilebilir değildir. Bakınız YSA Büyü Değildir  yazısı

Dip Not : Kitap çalışması başka çalışmalar dereken epeydir yazmıyordum,  başka özleyen varmı bilmem ama ben özlemişim.

MNIST El Yazısı Rakam Veri seti 2

Bu konuda yazdığım bir önceki yazım da oluşturduğum kodlar için bir GUI hazırladım.
Program da GUI kütüphanesi olarak Qt kullanıldı.
OpenCv nin ML kısmında KNN metoduyla sistemi eğittim. K = 5 kullanıldı.
Programla ufak bir video hazırladım.


Digit Recogtion for the MNIST database of handwritten digits from bluekid on Vimeo.

Yapay Zeka ve Görüntü işleme günleri 1

Yapay Zeka ve Görüntü işleme günlerinden izlenimlerimi aktaracağım.

Öncelikle Organizasyonu gerçekleşterene teşekkürler. Benimde ilgi alanım olan konularda böyle kıymetli konuşmacıları başka bir şekilde dinleme şansı bulmazdım.

Organizasyonun olduğu salonda gayet güzel. Sabah geldiğimde umduğumun çok ötesinde bir katılımcı görmekde beni fazlasıyla memnun etti.  Keza tanıdık bir sima - kemalcan -  görmekde iyi oluyor. Aslında gelmek isteyen pek çok kişi vardı, ben daha çok tandık sima bulurum diye umuyordum ama malesef olmadı :( kısmet...

Gelelim konuşmacılarımııza

Metin Sezgin hoca, yeni kullanıcı arayüzüz geliştirme çalışması içinde. İnsan davranış kalıplarının keşfi ile daha zeki  Bilgisayar Kullanıcı Arabirimi geliştirmeyle uğraşıyorlar. Hatta patent başvurularıda varmış. Anlatımlarıda interaktif di. Pek çok açıdan zihin açıcı ve yenilik dolu bir konuşma olsada benim şahsi fikrim  Beyin bilgisayar arayüzleri  daha ümit vadediyor....

Nazlı İKİZLER CİNBİŞ  hoca konuşmasında değişik şekilde kaydedilimiş görüntü ve videolardan "İnsan Hareketlerinin Tanınması" konusundaki çalışmalardan bahsetti. Konu çok genişdi ve teknik ip uçları dışında pek bir şey anlayamadık. Başlıca anlaşılan şey pek çok veri seti üzerini uzun uzun çalışmalar yapılmış olması...

Fatoş Yarman Vural  hoca "Bilgisayar Ne Kadar Görür?" konulu konuşmasıyla bizi hayran etti. Bir konu bu kadar mı sade ve anlaşılır anlatılır ?  Kendi yaptığı çalışmalardan da bahsetti. Bunlardan biride "Osmanlı arşivlerinin transkripti" imiş . Yarım kaldığını söyleyi talebe arkadaşlara devam etmelerini tavsiye etti.  Sözlerinide  "Yapılacak daha çok şey var çok çalışmak gerek çook" diye bitirdi Sonunda soru olarak Yapay zekanın tehlikeli olup olmadığı soruldu. Ve klasik cevabı aldık ; "Teknoloji iyiyede kötüyede kullanılabilir." Haddim olmayarak benim ufak bir itirazım var. bu klasik açıklama Bir bıçakla ekmekde kesebilirsin bir insanıda yaralayabilirsin. birini yarayabilirsin diye bıçak yapılmasınmı.  şeklinde vuzuha kavuşturuluyor. Benim itirazım şu biz neyi keseceğene kendisi karar verecek bıçak icat etmeye çalışıyorsak evet bu iş tehlikelidir. değilse klasik açıklama geçerlidir.

Umut Çinar beyin sunumu başında konu dışındaydı. Sadede geldiği zaman güzel oldu. Keşke baştaki kısımlara hiç girmeyip asıl konusunu daha geniş  anlatsaydı. Çünkü gerçek anlamda pratik tecrübe sahibi  hem teknik hemde girişimcilik ve onun hayata geçirilmesi anlamında....

Selim Temizer hoca da  çok sade anlaşılır ve de eğlenceli şekilde bir Yapay Zeka girişdersi verdi. Yapay Öğrenme kısmını biraz daha açsaydı daha iyi olurdu sanki.

Uğur Yayan beyde daha çok robotik üzerine bir şeyler anlattı.Aslında sektörden gelen konuşmacalardan ben kendi adıma daha pratik şeyler ve tecrübe aktarımı bekliyorum....

Son konuşmacı gelemedi yarına erteleneceği duyruldu.  Bakalım Yarın neler olacak heycanla bekliyoruz.

YAZGİG'15 Yapay Zeka ve Görüntü İşleme Günleri

 YAZGİG'15 :  Yapay Zeka ve Görüntü İşleme Günleri

 yapayzekavegoruntuislemegunleri.com
Ankara Üniversitesindeki aynı isimli bir öğrenci topluluğunun ön ayak olduğu bir etkinlik.
Önümüzdeki hafta sonu gerçekleştirilecek yani ; 2-3 Mayıs 2015
Nedense programı halen belli olmamakla birlikte katılacak Konuşmacılar şöyle bildirilmiş.

 Prof. Dr. Fatoş Vural
Dr. Zafer Arıcan
Yrd. Doç. Dr. Selim Temizer
Ümit Alkuş
Yrd. Doç. Dr. Sanem Sarıel
Yrd. Doç. Dr. Ahmet Yazıcı
Doç. Dr. Uluç Saranlı
Yrd. Doç. Dr. Sevgi Zübeyde
Prof. Dr. Abdülkadir Erden
Yrd. Doç. Dr. Nazlı İkizler Cinbiş
Doç. Dr. Metin Sezgin

Memleketimizde malesef böyle konularda bir şeyler dinleyebileceğiniz fazla imkan bulunmamaktadır. Bu yüzden çok önemli bir işiniz yoksa bu etkinliği kaçırmamanızı tavsiye ediyorum. Bizde İnşallah dinlemeye gideceğiz.
Etkinlikte görüşmek üzre....

Not : Ben yazı yazdıktan sonra etkinlik programı belli  oldu
 http://yapayzekavegoruntuislemegunleri.com/etkinlik-programi/

Çoğu zaman göremesekde

Nedendir bilinmez çıkmaza düşmeyi pek severiz. Hali hazırda yoksa kafamızda kurarız. Sonrasında çıkmazın içinde debelenmekle geçer hayatımız. Bunalımdan bunalıma düşeriz. Bir gölge düşmüştür önümüze ne denli koşsak geçemeyiz gölgeyi. Gönlümüzde bir sıkıntı vardır geçmez bir türlü...
Çoğu zaman bilemesekde  önümüze düşen gölge bizim gölgemizdir.  Güneşe sırtımızı dönmüşüzdür.
Çoğu zaman göremesekde her zaman bir  çıkış vardır. Başka bir açıdan bakamadığımızdan göremiyoruzdur.
Çoğu zaman anlayamasakda gönlümüzdeki sıkıntıyı  "Müsebbibü’l-Esbab"* dan başka giderip "itminanı kalbi"** ,  "inşirahı sadrı"***  verebilecek yoktur...

Rabbimiz dünyadada ahirettede bizlere iyilik ve güzellikler ver. Gönlümüze ferahlık ver.  Çıkışları görecek feraset ver.
amin

Not :
Çizgi  Hasan Aycın
*      : 1. Lema
**    :  Ra'd 28
***  :  İnşirah

MNIST El Yazısı Rakam Veri seti

Kitap taslağını bitirdikten ve düzenlemesi için arkdaşa teslim ettikten sonra geçtiğimiz ve bu hafta sonu kendime meşgale aradım.

Kitap için yazdığım son konu ML yapay öğrenme kısmıydı. Bu örneği biraz geliştirip bu camiada epey bir bilinen MNIST verisetine uygulamaya karar verdim.

MNIST El yazısı rakamlar toplanmış ve etiketlenmiş bir veri setidir. Her rakam görüntüsü 28x28 lik ebata getirilmiştir.

 Yani verimiz 28x28= 784 piksel değeri ve birde etiket değeri
Veri setinin orjinal sitesi
http://yann.lecun.com/exdb/mnist/
Fakat Biz Kaggle da açılmış yarışma kısmına katıldık

www.kaggle.com/c/digit-recognizer

Bu sayfada veriler 2 tane csv dosyası olarak veriliyor.
Eğtim verisi için İlk satırda sütun başlıkları var ilk sutun etiket değeri sonraki 784 sutunda sırasıyla piksel değerlerini tutuyor.
Test verisinin tek farkı ilk sutun olan etiketlerin olmaması...

İlk etapta piksel değerlerinde bir ön işleme veya ekstra öznitelik çıkarım işlemleri  yapmadan doğrudan kullanarak Yapay Öğrenme metodlarımızın performansını görelim dedik.

Eğitim verisinin yarısını eğitim ve geri kalanını test için kullandık. Sonuçlar %83 - %95 arasında değişti. En iyi sonucu KNN K = 5 ile ve bütün eğitim setini kullanarak elde ettim.
Birde boyumuzun ölçüsünü alalım dedik. Eğittimiz modellerle  Yarışmanın test verileri - test.csv- için tahmin listesi oluşturup gönderdik.  Burda sonuçlar daha aşağı değerlere düşüyor. Bizim şu andaki en iyi derecemiz.

0.92343

Başarı Sıra Listesi için bakınız

www.kaggle.com/c/digit-recognizer/leaderboard

Sıralamadaki yerimiz değişiyor. Daha iyi dereceye sahip tahminler geldikçe sırlamada aşağılara düşüyorsunuz.
Aldığımız boy ölçüsü oldukça kısa oldu. Sebeplerine gelirsek

1) Veriler üzerinde ekstra bir ön işleme ve öznitelik yapmamış olmamız. Verilerimizde piksel değerleri var ama Rakamın yazıldığı pikseller devamlı değişmektedir. Çünkü rakamın yazılış konumu büyüklüğü dönüklüğü keza tarzı değişiyor. Haliyle bunuları dikkate almadan bu verileri ham haliyle vermek sistemin performansınıaşağı çekiyor.

2) Her modelin eğitiminde performansı etkileyecek parametre ayarları vardır. Aynı metodu bile kullansanız bazı parametrelerdeki ince ayarlar sistemin performansını artırabilir. Biz ise bu tür ayarlarada kalkışmadık henüz.

3) DeepLearning etkisi: Yakın zamanların gözde kavramı dünyanın saygın üniversiteleri. En büyük şirketleri bu konuda araştırma gurupları kurdular. Hali hazırda pek çok kütüphanede oluşturuldu.  Bu kütüphaneleri kullananlar. Listelerde üst sıralara oturuyorlar. Bu da sıralamda bizi daha aşağıda tutuyor.

Sıralama listesinde ilk 48 kişi %99 başarıya ulaşıyor. şimdi burda ufak bir itirazım var. Yukardaki resimler veritabanından seçilmiştir. Şahsi fikrim böyle bir başarı saçmadır....
Detaylı bilgiyi bu konu hakkında inşallah - vakit ayırabilirsem - yazacağım yazıya bırakalım.

Kitap Ana Taslak hazır !

Kitabımızın ana taslağını Allaha şükür bitirebildim.

Kabaca düzeni şu şekilde oldu

Genel kurulum aşamaları; Derleyici ve IDE ayarları dizin ayarları vb açıklamaların olduğu giriş kısmı

• DERS 1 Görüntü Okuma Yazma İşlemleri ( imread, imwrite, VideoCapture... )

• DERS 2 Matris İşlemleri cv::Mat üzerine işlemler ( create , clone , rowrange, colrange, ROI , drawing line circle,...

DERS 3 Renk Uzayları ve Filitreleme  - XML okuma yazma - ( RGB, HSV,... )

• Ders 4 Morfolojik İşlemler ( Erode, Dilate,... )

• Ders 5 Filitreleme  İşlemleri ( Filter2D, blur,..,sobel,..canny, threshold...)

• Ders 6 Bilgi Çıkarma ( findContours , Histograms , Houghline and Houghcircle )

• Ders 7 Geometrik Dönüşümler ( resize , rotate , affine, perspective )

• Ders 8 Arka plan silme ( BacgroundSubtraction )

• Ders 9 İki boyutlu Öznitelikler ve Eşleştirilmeleri ( Feature2D )

• Ders 10 Nesne Bulma

• Ders 11 Takip ve Optik akış metodları ( opticalflow, camshift,...)

• Ders 12 Yapay Öğrenme - Machine Learning ( EM, Bayes, KNearest, DTree, SVM, ANN_MLP,... )

Ama daha yapılması gereken çok ince iş var

• Taslağın genel anlamda düzenlenmesi
• Yazım hatalarının düzeltilmesi
• İfade bozukluklarının düzeltilmesi
• Resimlerin düzenlenmesi
• İçindekiler ve İndeks kısmının oluşturulması

Evet biliyorum bunlar daha çok editörlük işler. Ama mecburen yapmamız gerekiyor.  Çünkü Yayınevleri verdikleri kalıba uygun düzenlenmiş metinler istiyorlar. Estetik duygum, gramer bilgim ve edebiyatım pek iyi değil, Sağolsunlar yardımcı olacağını söyleyen arkadaşlar oldu. Onların yardımıyla İnşallah bu aşamayı da geçeriz...

Girişmlerimiz devam etsede, Malesef kitabın basımı için pek iyi gelişmler yok. Yayınevleri görebildiğim kadarıyla basıma hazır metin, Öğrencileri alma zorunda bırakacak akademik ünvan vb... şeyler istiyorlarki, kitabınızı basma lutfunu göstersinler....
 Bu konuda da yardımcı olacağını söyleyen arkadaşlar oldu. Onlardanda sevindirici haberler beklemekteyiz...

Neyse lafı daha fazla uzatmadan değişik vesilelerle bana ulaşıp kitabın durumunu soran arkdaşlara teşekkürler deyip son durumu böylelikle açıklamış olalım.

Dualarınızı esirgemeyiniz....

Mbed - 1

Programlama ile uğraşıpda gömülü sistemler için hiç heves etmemek mümkün değil. Bende Yıllardır heves eder dururdum. Değişik girişimlerimde olmadı değil fakat kayda değer bir şey çıkmamışdı.

Geçenlerde "mbed" ile tanıştım.

 https://mbed.org/
ARM Firmasinın tasarladığı işlemcileri duymayan yoktur.  Kullandığınız pek çok mobil cihazda bu işlemciler kullanılmaktadır. Keza Embeded - Gömülü  - sistemlerde de yaygın olarak kullanılmaktadır. İşte mbed, ARM-Cortex M mikro denetleyicisinin programlanması için tasarlanmış bir sistemdir. İçeriğinde RTOS ve Temel kütüphaneleri (SDK) içeren açık kaynak kodlu bir projedir.
github.com/mbedmicro/mbed
Şeylerin İnterneti diye çevrilmiş  "Internet of Things" kavram için tasarlandığı  ve bu tip işlemcilerle bu kavrama uyan cihaz geliştirmenin en kolay yolu olduğu söyleniyor
http://www.arm.com/products/internet-of-things-solutions/mbed-IoT-device-platform.php

Pek çok büyük firma tarafından destekliniyor

ARM-Cortex M  mükrodenetlicilerin lisansını hali hazırda 240 firma almış bulunuyor.
Lisansı Apache 2.0 dir yani ticari uygulamalarınızda da kullanabiliyorsunuz.
Programlama dili olarak C/C++ temelli ve derleyici ve IDE aramanızada gerek yok Online IDE si var
 developer.mbed.org/
burdan ücretsiz üye olup Programlamaya başlaya bilirsiniz.  Pek çok uyumumlu IDE de var elbette.
Tabii Öncelikle bir cihazda almanız lazım

Piyasada mbed 'i destekleyen - mbed enabled diye geçiyor -pek çok geliştirme kartıda mevcut.
developer.mbed.org/platforms/

Türkiyede satışını bulduğum yegane yer market.cizgi.com.tr burdan ST firmasının "ST Nucleo F401RE Geliştirme Kiti" satın aldım fiyatı çokda pahalı değil.

Özelliklerine gelirsek

• ARM Cortex-M4 CPU with FPU at 84MHz 
• 512 KBytes Flash
•  12 bit Analog Dijital çevirici kanallar  - 10 kadar -
• 16 kanal Dijital I/O

yani 10 kadar sensörden analog sinyal alabiliyoruz. ve  16 tane devre kapatıp açabiliyor (DigitalOut) yada açıkmı kapalımı diye öğrenebiliyoruz (DigitalIn)
Piyasa da epey bir yaygın olan Ardunio 'nun Arduino Uno Revision 3 bağlantılarıyla uyumlu.
USB den cihazı bilgisayara bağlayıp programı atabiliyoruz
Cihaz bağlandığında Bilgisayarda sanal bir com port açılıyor. Burdan cihazdan bilgisayara bilgisayardan cihaza bilgi gönderebiliyoruz.

mbed 'in sitesinde pek çok  örnek kod  bulabilirsiniz.
MCUTurkey sitesinde de iki yazı var 1 2
Burda da güzel videolar var ; mBed Microcontroller Tutorials 
Şöylede bir ilginç Örnek var
Kahve kavruma makinası yapmışlar

. 
Bakalım biz neler yapabileceğiz...